Vào thứ Ba, Google giới thiệu Veo 3, một mô hình tổng hợp video AI mới có khả năng đạt được điều mà bất kỳ trình tạo video AI lớn nào trước đây chưa thể làm được: tạo ra một bản nhạc đồng bộ cùng với video. Giữa năm 2022 và 2024, các video AI tạo ra trong giai đoạn đầu thường im lặng và rất ngắn. Giờ đây, Veo 3 mang tới các đoạn phim độ phân giải cao dài tám giây kèm theo giọng nói, đối thoại và hiệu ứng âm thanh. Sau khi ra mắt, mọi người ngay lập tức đặt ra câu hỏi kiểm tra tiêu chuẩn rõ ràng: Veo 3 có thể giả mạo diễn viên đoạt Oscar Will Smith đang ăn mì Ý như thế nào? Tóm tắt nhanh: "Thước đo mì Ý" trong lĩnh vực video AI bắt đầu từ tháng 3 năm 2023 với một video AI được tạo ra khá rối loạn, sử dụng mô hình tổng hợp mã nguồn mở có tên ModelScope. Ví dụ về mì Ý này trở nên nổi tiếng đến mức Smith đã chế lại nó gần một năm sau, vào tháng 2 năm 2024. Dưới đây là nhắc nhở về hình ảnh của video lan truyền ban đầu: Điều thường bị quên là vào thời điểm đó, bản parody của Smith không phải do trình tạo video AI tốt nhất thời bấy giờ thực hiện—một mô hình gọi là Gen-2 của Runway đã mang lại kết quả chất lượng cao hơn, mặc dù chưa được công khai. Tuy nhiên, phiên bản của ModelScope đủ kỳ quặc và đáng nhớ để trở thành mốc tham chiếu cho những giới hạn ban đầu của AI video khi công nghệ tiến bộ. Đầu tuần này, nhà phát triển ứng dụng AI Javi Lopez đã phản hồi các fan mong muốn làm lại thử nghiệm mì Ý bằng Veo 3 và chia sẻ kết quả của mình trên X. Tuy nhiên, khi xem các kết quả này, phần âm thanh có vẻ lạ: cái giả Smith nghe giống như đang nhai mì Ý. Lỗi này xuất phát từ khả năng thử nghiệm của Veo 3 trong việc thêm hiệu ứng âm thanh, có thể do dữ liệu huấn luyện của nó đã bao gồm nhiều ví dụ về việc nhai kèm theo tiếng răng rắc. Các mô hình AI sinh nội dung hoạt động như các hệ thống dự đoán theo mẫu, dựa vào dữ liệu huấn luyện đủ phong phú trong nhiều loại phương tiện để tạo ra kết quả thuyết phục.

Khi một số khái niệm bị thiếu hoặc quá phổ biến trong dữ liệu đó, sẽ xuất hiện các hiện tượng bất thường trong kết quả như thế này. Chúng tôi cũng tự thử nghiệm với câu lệnh trên Veo 3, nhưng “Will Smith” bị chặn bởi bộ lọc nội dung của Google. Tuy nhiên, dùng câu “Một người đàn ông da đen đang ăn mì Ý” lại tạo ra hiệu ứng âm thanh giòn giã tương tự (có thể Lopez đã có quyền truy cập sớm mà không bị lọc hoặc thử nghiệm với các biến thể câu lệnh qua mặt bộ lọc). Veo 3 gây ấn tượng bởi khả năng tạo ra đối thoại và nhạc hợp lý, đã truyền cảm hứng cho nhiều ví dụ nổi bật trên X. Không muốn dừng lại ở một đoạn video về một người đàn ông ăn mì cực kỳ dai, chúng tôi đã thử xem nhân vật đó có thể hát và ăn cùng lúc không, bằng câu lệnh: “Một người đàn ông hát một opera hài bằng tiếng Anh về mì Ý tại bàn bếp trong khi ăn nó. ” Chúng tôi đã đạt tiến bộ đáng kể kể từ năm 2023, và các trình tạo video AI sẽ tiếp tục cải thiện về độ chân thực và khả năng thực thi. Nếu không có bộ lọc liên quan đến các nghệ sĩ nổi tiếng của Veo 3 hiện tại, chúng tôi dễ dàng có thể tạo ra video của Smith đang hát—hoặc làm bất cứ điều gì khác—điều này làm nổi bật những lo ngại tiềm ẩn về công nghệ video AI. Sự đặc thù văn hóa đang đến gần rất nhanh. Nói đến đây, chúng tôi gần đây đã thực hiện một loạt thử nghiệm tạo video rộng rãi với Veo 3 và sẽ sớm chia sẻ kết quả trong một bài phóng sự đặc biệt. Hiện tại, hãy xem đây như một cập nhật ngắn về chàng Hoàng tử tươi mới của thời mì noodle. Chúc ngon miệng!